研究者提出用开源模型内部信号监控闭源模型

不接触闭源模型权重，也可能通过开源替身模型的内部信号监控其欺骗等失控行为。

conti等研究团队9月30日在LessWrong提出model hermeneutics：把要研究的闭源模型称为author，用开源的reader模型读它的输出，再在reader内部训练线性探针。作者自测中，27B的reader探测397B的author，AUROC差距平均只有0.004。

团队称探针可检测Claude Opus 4.6、Gemini 3.1 Pro Preview、GPT-5.4等三个前沿模型输出中的奖励作弊、谄媚与欺骗，约半数场景下优于直接询问reader。蒸馏后reader探测欺骗的AUROC从0.69升至0.90。

这是约1.5个月的早期工作，闭源模型内部没有真值，faithfulness只能用开源模型对间接基线衡量，能否用于真实审计待独立验证。